當我們想知道資料特性或規律性時，傳統做法是根據統計學概念，認為資料=樣本，必然帶有母體特性。藉由資料找到母體參數即可確認母體特性，從而知道資料特性或規律性為何。
然而，受限在使用資料找到的母體參數卻是有限，例如，一定要找到一、二階動差，即平均數與變異數，如此就能配合樣本數找到極限分配，知道母體特性。在大數法則下，無論是p.或a.s.，都趨近為常態分配。
問題是多少資料點才能算大數？
這如同我們在問大數據多少才算？
如果4,000筆已經達到，那何必4,000,000,000筆資料。
這想法並非正確！
因為每筆資料都有存在的意義，而且，大數據資料下，未必真成為常態分配或極限常態分配。
這點更明顯地顯示在時間序列資料，因為這種資料會破壞迴歸分析的三個基本假設：
- 常態分配
- 齊質變異數
- 兩兩無線性相關
為了解決這些問題，特別是像變數之走勢，無法用線性模式去估計的序列資料，計量經濟學發展出多種的檢定公式，檢定上面的三個基本假設，並且希望更能準確地找出資料問題，試圖解決。
縱使如此，我們卻發現
- 分配的檢定方法無法控制誤差，資料的殘差幾乎可以滿足常態分配
- 變異數的齊一性建立在線性迴歸上，誰能保證資料一定是線性，特別是工業工程。若是用非線性迴歸模型，或許變異數就齊質了。
- 架構在線性迴歸模型上，序列相關運用差分方式，試圖找出差分到幾階才能踢除序列相關。可是，差分後的資料，部分特性將會消失。
更有趣的是，Silverman (1985) 提出無母數版本的曲線配適法，觀察範例後可以發現其轉折點不能超過兩點，也可以從他的數學式看出，僅有二階微分。Motulsky and Ransnas (1987) 則是提到需要資料點來自於常態分配(進入迴圈：如何確定資料點滿足常態分配)，以及非線性迴歸模型很容易經過多次的電腦運算後配適得到(問題：怎麼進行誤差控制？多次的運算需要多少次？)。
無論如何，使用曲線化線性模型或曲線配適法都是比線性迴歸模型來得好，特別是現在的經濟環境在科技進步到一定的程度後，必須提高精準度，才能夠突破現況。這不是工業4.0(要求精密)、金融3.0(要求跨平台與安全)，而是分析技術的創新與提升。
於是，我們需要更新兩個思維：
第一、一般而言，我們認為線性之外就是屬於變異(波動)。
 |
| 圖片來源:http://stats.stackexchange.com/questions/19102/is-there-a-graphical-representation-of-bias-variance-tradeoff-in-linear-regressi |
但是，當我們從非線性迴歸角度來看的時候，每一點進來模型時，就需要重新計算調整模型係數與次方數，降低均方差。每一點都是在學習，只是，這樣的學習方式比下方的學習模式好。
